Unstable-Singularity-Detector: Menantang masalah fluida yang belum terpecahkan selama 100 tahun (open source yang mereproduksi penuh paper DeepMind)

 (github.com/Flamehaven)
4 poin oleh flamehaven01 2025-10-05 | Belum ada komentar. | Bagikan ke WhatsApp

TL;DR

Paper “deteksi singularitas fluida” dari DeepMind (2024) tidak menyertakan kode.

Karena itu, proyek ini melakukan reproduksi lengkap dari awal sampai akhir hanya berdasarkan paper.

Sekarang tersedia pipeline yang benar-benar berjalan dan dapat menghasilkan laporan PDF dalam 7 detik.

💥 Masalah: penyakit kronis riset AI

DeepMind (2024)

“Discovering new solutions to century-old problems in fluid dynamics”

📄 arXiv:2509.14185

Ringkasan isi

  • Masalah sulit berusia lebih dari 100 tahun: dapatkah fluida meledak dalam waktu terbatas?
  • Deteksi singularitas dengan Physics-Informed Neural Network (PINN)
  • Komputasi presisi ultra-tinggi (10⁻¹³), pelatihan multi-tahap yang kompleks

Permasalahan

  • ❌ Kode tidak dibuka
  • ❌ Metode reproduksi tidak jelas
  • ❌ Persamaan saja tidak cukup untuk dijalankan

Akibatnya, para peneliti di seluruh dunia praktis hanya bisa “membaca lalu menyerah”.

✅ Solusi: proyek reproduksi terbuka yang independen

🚀 Unstable Singularity Detector

Implementasi open source yang sepenuhnya independen dan tidak berafiliasi dengan DeepMind

Hanya dengan persamaan dan metodologi yang dipublikasikan di paper,

proyek ini mereproduksi verifikasi singularitas fluida dari awal sampai akhir.

💡 Filosofi: mengapa proyek ini penting

Paper dipublikasikan → tidak ada kode → tidak bisa direproduksi → riset mandek

Pesan proyek ini:

“Mari ubah sains yang hanya berupa paper menjadi alat yang bisa dijalankan.”

Esensi open science adalah reproduktibilitas.

Paper tanpa kode hanyalah setengah sains.

🎓 Siapa yang akan memakainya?

  • 🧠 Peneliti dinamika fluida — verifikasi dan pengembangan paper
  • 🔬 Pengembang PINN / SciML — referensi optimasi presisi tinggi
  • 🎓 Mahasiswa pascasarjana / pelajar — latihan implementasi paper
  • 🤖 Peneliti AI — memahami masalah “paper tanpa kode”
  • 🧑‍🏫 Pendidik — materi praktik untuk kelas PINN

🚀 Mulai dalam 5 menit

git clone https://github.com/Flamehaven/unstable-singularity-detector.git  
cd unstable-singularity-detector  
pip install -r requirements.txt  
python examples/e2e_full_ipm.py

Hasil:

  • Log konvergensi real-time ditampilkan
  • results/ipm_full_demo/ipm_full_report.pdf dibuat
  • Laporan PDF 3 halaman (kurva konvergensi + riwayat pelatihan + metrik)

🎯 Bukti bahwa ini benar-benar berjalan

v1.3.2 — Complete E2E Pipelines (“Show Me It Works” Release)

1️⃣ IPM (Incompressible Porous Media)

python examples/e2e_full_ipm.py --grid-size 16  
# setelah 7.3 detik → laporan PDF + metrik JSON dibuat otomatis  
초기조건: sin(πx)sin(πy)sin(πz)
  • Kondisi awal: sin(πx)sin(πy)sin(πz)
  • Lambda funnel: konvergen dalam 1 iterasi
  • Residual: 1e-3 → 1e-7 (peningkatan 1000x)
  • Output: laporan PDF 3 halaman (kurva konvergensi + metrik)

2️⃣ 2D Boussinesq (konveksi temperatur)

python examples/e2e_boussinesq_2d.py --grid-size 64
  • Verifikasi konservasi energi (residual 5e-8)
  • Pembuatan laporan PDF otomatis

3️⃣ Persamaan Panas 1D (verifikasi solusi analitik)

pytest tests_e2e/test_heat_equation_1d.py -v  
# 7/7 tests PASSED
  • Solusi analitik: u = exp(-π²t)sin(πx)
  • Error solusi numerik: < 0.04
  • Residual PDE: < 0.05

🔍 Tabel verifikasi terhadap paper

Komponen Referensi paper Metode verifikasi Hasil Status
Rumus prediksi Lambda Fig 2e Perbandingan numerik langsung error <1% ✅
Funnel Inference Sec 3.2 Uji konvergensi konvergen 1–2 kali ✅
Pelatihan multi-tahap Sec 3.3 Pelacakan residual mencapai 10⁻⁷ ✅
Gauss–Newton Eq 7–8 Benchmark presisi 10⁻¹³ ✅
Kondisi batas Sec 2.3 Dirichlet BC error < 10⁻¹⁰ ✅
Transformasi self-similar Fig 3 Transformasi koordinat implementasi selesai ✅

✅ Tingkat verifikasi selesai: 100% (semua rumus yang dipublikasikan di paper)

🛠️ Sorotan teknis

Inovasi utama

  1. Pelatihan berbasis target presisi

    # Stage 1: Adam warmup → 1e-6  
# Stage 2: Fourier features → 1e-9  
# Stage 3: Gauss–Newton → 1e-12

  2. Efisiensi memori

    • Aproksimasi Hessian Rank-1 → O(P²) → O(P)
    • Penghematan memori 1000x

  3. EMA Smoothing

    H_t = β * H_{t-1} + (1 - β) * (JᵀJ)_t

  4. Sistem verifikasi otomatis

    • 111/113 tes lolos (2 GPU skip)
    • GitHub Actions CI/CD terintegrasi penuh

📊 Contoh penggunaan nyata

from unstable_singularity_detector import UnstableSingularityDetector  
  
detector = UnstableSingularityDetector(equation_type="ipm")  
lambda_0 = detector.predict_next_unstable_lambda(current_order=0)  
  
print(f"Predicted: {lambda_0:.10f}")  
# Output: 1.0285722760 (selisih 0.000% dari nilai paper)

🧩 Seluruh pipeline (ringkasan 10 baris)

from examples.e2e_full_ipm import FullIPMPipeline  
from pathlib import Path  
  
pipeline = FullIPMPipeline(output_dir=Path("results/my_experiment"), grid_size=32)  
pipeline.run()  
# setelah 7 detik, laporan PDF dan JSON dibuat

📈 Status proyek (v1.3.2)

Item Angka
Kode 15,000+ baris
Tes 111/113 passing (98.2%)
Dokumentasi 2,500+ baris
Commit 150+
Lisensi MIT
Python 3.8+
Dependensi utama PyTorch, NumPy, SciPy

🔐 Transparansi dan keterbatasan

Independensi yang jelas

  • Proyek riset pribadi yang tidak berafiliasi dengan DeepMind
  • Hanya menggunakan persamaan dari paper yang dipublikasikan
  • Lisensi MIT
  • Semua keterbatasan dibuka secara transparan

Keterbatasan saat ini

  • Pelanggaran besaran kekal: IPM 128% (batas kapasitas jaringan)
  • Error Lambda: Boussinesq 42% (koreksi empiris direncanakan)
  • Presisi: berfokus pada demo (bukan untuk produksi)

💬 Masukan sangat diterima

Mari bersama-sama mengubah “dunia yang punya paper tetapi tidak punya kode”.

Made with 🔬 by independent researchers, for open science

Bacaan terkait

Belum ada komentar.

Belum ada komentar.